随着我国交通建设的快速发展,道路维修、桥梁维护和隧道监测等施工规模不断壮大,随之而来的安全事故频繁发生,其中不符合安全要求的人员入侵到施工危险区域而引发的安全事故占比较高,此类事故的发生不仅对生命安全构成极大威胁,还会严重影响相关企业的经济效益。本文将计算机视觉技术应用到施工安全管理中,分别提出施工区域危险目标识别和危险距离检测的方法,让施工区域在无人值守或安全警示设施发生故障的状况下,及时对未安全着装和接近危险源的人员做出安全提示,以免发生不必要的人员伤亡。主要研究内容如下:（1）为了更精准地识别出施工现场未安全着装的人员和施工机械这两类危险目标。首先,采用一种基于PCA三通道色彩抖动方式丰富样本数据,其次,将自适应注意力机制引入到YOLOv5检测算法中,引导模型更好地聚焦于人员目标与机械目标的通道特征,同时采用混合精度训练、改变非极大值抑制、Warmup预热和余弦退火调整学习率等方式对YOLOv5的训练效率和测试精度做出进一步优化。最后,结合自建数据集训练并测试改进的YOLOv5检测模型,实验结果表明,改进后的算法对比原始算法,平均精确率和召回率都有所提高,在施工密集场景及小目标场景中均有较强的泛化能力。（2）为了更准确地完成施工现场人员和机械危险源间的深度距离判别,对单目相机目标测距方式进行研究。针对传统相机标定过程繁琐及抗干扰性差的缺陷,提出一种基于生长棋盘格角点检测的修正方案,该方案通过设定角点原型求得卷积响应、Mean Shift寻找局部最大值、精细化处理亚像素角点信息、优化能量级函数等方式实现一步式标定,能满足实时性要求的同时提高标定精度。根据相机标定参数和成像机理,建立了相对完整的单目视觉危险距离判别模式,并通过实验证明了测距模型的有效性。（3）为了更直观地展示对危险目标的预警效果,针对交通工程施工中易造成机械伤害的动态危险区域,总结出一套划分规则,并结合不同类型施工人员和机械间的深度距离,判断人员的安全状态,最终通过Py Qt5设计GUI交互界面,对施工危险区域人员入侵识别预警进行系统验证。